摘" 要: 为提升信号识别电路的电量采集精度,实现理想状态下的电力误差校准,设计基于神经网络的模数转换电路动态误差源识别系统。以CNN神经网络作为模数转换电路的物理依赖环境,通过合理选取动态识别元件的方式,实现误差源识别系统的硬件运行环境搭建。在此基础上,将模拟电流转化成数字信号,再将其完整存储于系统数据库中,利用既定数学运算公式对已存储的数字信号进行识别精度提纯处理,实现误差源识别系统的软件运行环境搭建,联合相关硬件执行设备,完成基于神经网络的模数转换电路动态误差源识别系统设计。实际应用结果表明,在加压环境下,新型误差源识别系统的电量采集精度达到90%,单位时间内的信号识别量超过7.5×109 TB,理想状态下信号识别电路的电力误差校准能力得到有效保障。
关键词: 神经网络; 模数转换; 电路误差源; 动态识别; 数字信号存储; 系统设计
中图分类号: TN79+2⁃34; TP391" " " " " " " " " "文献标识码: A" " " " " " " " " " "文章编号: 1004⁃373X(2019)21⁃0053⁃05
Abstract: In order to improve the acquisition accuracy of signal recognition circuit and realize the power error calibration in ideal state, a neural network based dynamic error source identification system of analog⁃to⁃digital conversion circuit is designed. The hardware operation link of the error source identification system is constructed by reasonably selecting the dynamic identification elements and taking CNN neural network as the physical dependent environment of the analog⁃to⁃digital converter circuit. On this basis, the analog current is converted into digital signals, and then they are stored completely in the system database. The purifying processing for the stored digital signal is conducted to make identification precision improved by means of the established mathematical formula. The software running link construction of the error source recognition system is realized. The neural network based dynamic error source recognition system for the analog⁃to⁃digital conversion circuit is completed by combining the relevant hardware equipments. The practical application results show that, in the pressurized environment, the power acquisition accuracy of the new error source identification system reaches 90%, the signal recognition quantity per unit time exceeds 7.5×109 TB, and the power error calibration ability of the signal recognition circuit under ideal conditions is effectively guaranteed.
Keywords: neural network; analog to digital conversion; circuit error source; dynamic identification; digital signal; System design
0" 引" 言
模数转换是基于将模拟电流转化为数字化信号的操作思想,而实现该实体操作的电路结构或物理器件即被称为模数转换电路,通常情况下可简称为A/D转换器或DAC设备。在模数转换电路内部,每个电流或电压开关都至少负载一个D/A电阻结构,且为提升整体电路环境中的恒流输出精度,所有元件都采取并联的接入方式[1⁃2]。通常情况下,电流开关切换误差直接决定开关的连接形式,若电流开关可直接输出电路元件产生的电量分子,则可认为D/A转换器处于良好的误差识别状态。
随着电路环境中电子信号采集量的不断增加,如何保证精准的电力误差校正结果已经成为社会各界的重点攻破问题。现有技术手段利用FPGA芯片识别可编程逻辑结构中的电力误差数据,再借助卷积神经网络实现模态电流到动态数字信号的物理转化。但这种方法支持下的电量采集精度、信号识别量等物理条件始终不能达到预期水平。为解决上述问题,引入CNN神经网络,在新型模数转换电路的支持下,通过数字信号缓存、识别精度提纯等处理方法,搭建基于神经网络的模数转换电路动态误差源识别系统,并通过对比实验的方式突出说明该新型系统的实用可行价值。
1" 误差源识别系统硬件结构设计
新型识别系统的硬件执行环境包含CNN神经网络、模数转换电路、动态识别元件三个主要物理元件,其具体搭建方法可按如下步骤进行。
1.1" CNN神经网络拓扑
CNN神经网络是新型模数转换电路动态误差源识别系统的主体硬件结构,由电子输出层、特征转换层、动态隐藏层、识别输出层四级单元组织构成,如图1所示。其中,电子输出层作为CNN神经网络的顶级拓扑结构,可根据模数转换电路的具体连接情况对动态电子量进行选择性输出处理。特征转换层作为CNN神经网络的第二级拓扑结构,向上承接电子输出层、向下承接动态隐藏层,可等效对接电子输出层中的动态电子量[3⁃4]。动态隐藏层作为CNN神经网络的第三级拓扑结构,向上承接特征转换层、向下承接识别输出层,可对发散的动态电子源节点进行笼络处理。识别输出层作为CNN神经网络的尾级拓扑结构,只与动态隐藏层保持定向连接关系,可根据上级拓扑结构中电子量的具体释放情况输出合理化的系统识别指令。
1.2" 模数转换电路设计
新型误差源识别系统的模数转换电路包含一个电子加速度仪表和动态陀螺,且两个元件始终保持增益性连接,即在其中一个元件中电子量增大的情况下,另一个元件中的电子量也随着增大,而电子量减小却只是单一性元件行为。模数转换电路作为系统中的唯一供电设备,可与CNN神经网络的电子输出层相连,并通过定向调制的方式,将系统运行所需的电子量传输至相关硬件执行结构中[5]。为保证加速度仪表释放的模拟电流可完全转化成数字识别信号,减法器作为中间连接组织,可过滤模拟电流中的可识别误差源节点,并将其少量多次地传输至动态陀螺结构中,以此避免系统数字识别信号堆积现象的出现。模数转换电路图如图2所示。
1.3" 动态识别元件选取
系统动态识别元件是以型号为ADS1281的ADC芯片作为核心搭建设备的模拟电流转化装置,可借助CNN神经网络获取模数转换电路中的电子流量,并分解成可供系统直接应用的误差源节点信息条件[6]。ADC芯片是具备误差源识别功能的电路模数转换装置,要求系统中同时执行的电子识别数量只能为1。相对于传统模数转换电路来说,动态识别元件对误差源内存任务的要求相对较为宽泛,可允许100~200 MB的模数电量同时接入系统环境,且只要误差源节点数量不超过70 MB,就不会出现明显的模数漏转行为,全面保障了系统识别操作的准入连接权益[7⁃8]。从识别精准性来看,随着ADC芯片的应用,由模拟电流转化得来的数字信号可直接利用误差源节点进行协调性分布,全面提升系统对电量分子的采集识别精度。完整的动态识别元件选取原理如表1所示。
2" 误差源识别系统软件环境搭建
在硬件执行环境的基础上,按照模拟电流转化、数字信号缓存、识别精度提纯的处理流程,完成系统软件运行环境搭建,两项结合,实现基于神经网络模数转换电路动态误差源识别系统的顺利应用。
2.1" 模拟电流转化
模拟电流转化是实现系统对电路误差源识别的重要物理环节,通常情况下,转化前模数电路输出的电量分子始终保持为电流形式,而转化后模数电路输出的电量分子则为数字信号形式[9]。当CNN神经网络接入系统识别流程后,电子加速度仪表开始向减法器传输电流形式的电量分子,在确保动态陀螺能够完整承接电子量的前提下,减法器断开与前置结构的物理连接,建立与后置结构的物理连接,并将设备体内部的电流完全传输至动态陀螺结构中。动态识别元件感知到模数转换电路中的电量变化情况后,ADC芯片作为转化设备,先整合系统中传输的所有电子流量,再将其按照节点信息的分解需求,逐步转化为动态形式清晰的数字信号,以供下级执行设备的提取应用[10]。完整的转化流程如图3所示。
2.2" 数字信号缓存
数字信号缓存是系统执行误差源识别操作过程中的物理过渡阶段,不需消耗电力节点用以进行电流传输,而且数据库作为系统中的数据供给结构,可直接容纳所有待运行的数字信号。循环于系统环境中的数字信号完全来源于模拟电流,是系统进行误差源节点分布处理的重要物理依据[11⁃12]。简单来说,经过模拟电流转化处理后的数字信号中包含大量可存储节点,但这些节点大都分布在两个信号体之间或与单一信号体完整融合,而对于系统数据库来说,能够进行缓存处理的数据信息必须保持独立存在状态[13⁃14]。为解决上述问题,在模数转换电路的促进下,数字信号体之间会进行激烈的碰撞行为,并以此断裂不想管的信号连接结构,释放存储节点。当所有节点都保持独立存在状态后,系统数据库会根据就近原则对这些数字信号进行缓存处理,进而使神经网络环境中的电子参量得以大量消耗,达到促进转换模拟电流的目的。
2.3" 识别精度提纯
识别精度提纯是新型误差源识别系统搭建的末尾环节,与模拟电流转化系数、数字信号缓存量等多项物理数值产生关联性影响。随着系统运行时间的延长,模数转换电路会产生大量的待转化模拟电流,并将其暂时存储于系统动态识别元件中[15]。所谓模拟电流转化系数是指在由存储到输出的过程中,由系统动态识别元件承载的电子量分配条件,通常情况下可表示为[ye],[e]代表动态识别元件在模拟电流转化瞬间所负担的电量分配条件。数字信号缓存量是考察系统数据库平均承载能力的物理系数,在神经网络环境中不会随着模数转换电路中电流、电压等数值条件的变化而发生改变,是与系统设备结构相关的属性参量,通常情况下表示为[p]。定义系统的平均识别时间为[t],联立上述变量,可将系统识别精度提纯结果表示为:
式中:[χ]代表提纯积分的下限运算数值;[β1],[β2]分别代表两个不同的基准识别向量;[q1],[q2]分别代表两个不同的电路动态误差源节点系数。至此,完成所有数据处理及执行设备搭建,按照上述处理流程,实现基于神经网络模数转换电路动态误差源识别系统的顺利应用。
3" 实验结果讨论
为验证基于神经网络模数转换电路动态误差源识别系统的实用能力,设计如下对比实验。在数字转换电路中,配置2台完全相同的实验主机,其中实验组主机搭载新型动态误差源识别系统,对照组主机搭载传统识别系统。在其他影响因素不发生改变的前提下,应用控制变量法分别记录应用实验组、对照组识别系统后相关实验数据的变化情况。
3.1" 前期实验准备
相关实验参数及具体实验环境配置结果如表2所示。
为保证实验结果的绝对公平性,除所采用识别系统不同外,实验组、对照组其他实验参数始终保持一致。
3.2" 电量采集精度对比
在模数转换参量等于0.46的条件下,以100 min作为实验时间,分别记录在该段时间内,应用实验组、对照组识别系统后,电量采集精度的变化情况,详细实验对比结果如图4所示。
分析图4可知,随着实验时间的增加,实验组、对照组电量采集精度出现了明显的分层趋势,在整个实验过程中,实验组数值始终处于对照组数值上方。实验组电量采集精度最大值超过90%,且出现频率相对较高;对照组电量采集精度最大值仅达到40%,且出现频率较低,远低于理想极值区间。综上可知,在模数转换参量等于0.46的条件下,应用基于神经网络的模数转换电路动态误差源识别系统,可使电量采集精度数值大幅提升。
3.3" 单位时间内的信号识别量对比
在动态误差源识别系数等于0.82的条件下,以20 min作为单位时间长度,分别记录在5个单位时间长度内,应用实验组、对照组识别系统后信号识别量的具体变化情况,详细实验对比结果如表3,表4所示。
对比表2,表3可知,在前3组单位时间内,实验组信号识别量都保持稳定的上升状态,从第4组单位时间开始,上升幅度逐渐缩小,直至第5组单位时间,实验组信号识别量开始出现稳定状态。整个实验过程中,实验组信号识别量共上升了2.0×109 TB,最大值7.7×109 TB与理想极值5.0×109 TB相比,上升了2.7×109 TB。
对比表2,表4可知,在整个实验过程中,对照组信号识别量始终保持上升、下降交替出现的变化趋势,但随着实验时间的增加,最小值始终保持为2.6×109 TB,最大值却出现不断下降的变化趋势,阶段性最大值从3.7×109 TB下降至3.1×109 TB,低于理想极值5.0×109 TB,更远低于实验组数值结果。综上可知,在动态误差源识别系数等于0.82的条件下,应用基于神经网络的模数转换电路动态误差源识别系统,可促进信号识别量的稳定提升。
4" 结" 语
从实际应用结果来看,基于神经网络模数转换电路动态误差源识别系统可在兼顾电量采集精度的同时,提升单位时间内的信号识别量,更加符合理想状态下的系统应用需求。从搭建角度来看,新型动态误差源识别系统以CNN神经网络作为硬件执行基础,在模数转换电路等元件的支持下,对识别精度进行不断提纯。未来相关科研机构将在此系统的基础上,全面发掘模数转换电路在误差源识别领域的实用能力,力求使我国的模拟电路处理技术达到国际领先水平。
参考文献
[1] 安强强,张峰,李赵兴,等.基于机器学习的VoIP流量在线识别系统设计与实现研究[J].电子设计工程,2018,26(16):103⁃106.
AN Qiangqiang, ZHANG Feng, LI Zhaoxing, et al. Design and implementation of VoIP traffic online identification system based on machine learning [J]. Electronic design engineering, 2018, 26(16): 103⁃106.
[2] 胡变香,缪旻,高军.集成电路板互连传输结构优化设计仿真[J].计算机仿真,2018,35(6):263⁃268.
HU Bianxiang, MIU Min, GAO Jun. Integrated circuit board interconnection transmission structure optimization design simulation [J]. Computer simulation, 2018, 35(6): 263⁃268.
[3] 胡飞,尤志强,刘鹏,等.基于忆阻器交叉阵列的卷积神经网络电路设计[J].计算机研究与发展,2018,55(5):1097⁃1107.
HU Fei, YOU Zhiqiang, LIU Peng, et al. Circuit design of convolutional neural network based on memristor cross array [J]. Computer research and development, 2018, 55(5): 1097⁃1107.
[4] 陈洪月,张坤,刘治翔,等.基于PSO⁃BP神经网络光电编码器误差补偿研究[J].传感技术学报,2017,30(8):1182⁃1186.
CHEN Hongyue, ZHANG Kun, LIU Zhixiang, et al. Photoelectric encoder error compensation research based on PSO⁃BP neural network [J]. Chinese journal of sensors and actuators, 2017, 30(8): 1182⁃1186.
[5] 虎涛涛,康波,单要楠.基于动态函数连接神经网络的自适应逆控制系统辨识研究[J].计算机科学,2017,44(10):203⁃208.
HU Taotao, KANG Bo, SHAN Yaonan. Study on identification of adaptive inverse control system based on dynamic function link neural network [J]. Computer science, 2017, 44(10): 203⁃208.
[6] 张玉,周睿,张烈平.基于神经网络的PID自整定光伏并网逆变器仿真[J].桂林理工大学学报,2018,38(2):184⁃188.
ZHANG Yu, ZHOU Rui, ZHANG Lieping. Simulation of self⁃tuning PID photovoltaic grid⁃connected inverter based on neural network [J]. Journal of Guilin University of Technology, 2018, 38(2): 184⁃188.
[7] CHAUHAN T, TRIPATHI A, SEHRA P, et al. Functional modelling,validation and testing of analog to digital converters (ADC) from system design perspective [J]. Analog integrated circuits amp; signal processing, 2018, 95(2): 1⁃12.
[8] 王洪乐,王家序,周青华,等.基于BP神经网络的数控机床综合误差补偿方法[J].西安交通大学学报,2017,51(6):138⁃146.
WANG Hongle, WANG Jiaxu, ZHOU Qinghua, et al. Comprehensive error compensation of machine tools based on BP⁃neural network algorithm [J]. Journal of Xi’an Jiaotong University, 2017, 51(6): 138⁃146.
[9] 高家颖,何秋阳,詹志新.基于神经网络的撞球机器人控制器设计[J].北京航空航天大学学报,2017,43(3):533⁃543.
GAO Jiaying, HE Qiuyang, ZHAN Zhixin. Design of neural network controller for a billiard robot [J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(3): 533⁃543.
[10] 陈阳,胡伍生,严宇翔,等.基于神经网络模型误差补偿技术的对流层延迟模型研究[J].大地测量与地球动力学,2018,38(6):577⁃580.
CHEN Yang, HU Wusheng, YAN Yuxiang, et al. Research on tropospheric delay model based on neural network model error compensation technique [J]. Journal of geodesy and geodynamics, 2018, 38(6): 577⁃580.
[11] MEHDIZADEH F, SOROOSH M, ALIPOUR⁃BANAEI H, et al. Ultra⁃fast analog⁃to⁃digital converter based on a nonlinear triplexer and an optical coder with a photonic crystal structure [J]. Applied optics, 2017, 56(7): 1799.
[12] 颜学龙,丁鹏,马峻.基于狼群算法的RBF神经网络模拟电路故障诊断[J].计算机工程与应用,2017,53(19):152⁃156.
YAN Xuelong, DING Peng, MA Jun. Analog circuit diagnosis based on wolf pack algorithm radical basis function network [J]. Computer engineering and applications, 2017, 53(19): 152⁃156.
[13] 李光升,梁靖聪,谢永成,等.基于免疫遗传算法改进的BP神经网络在装甲车辆电路板故障诊断中的应用[J].计算机测量与控制,2017,25(6):9⁃13.
LI Guangsheng, LIANG Jingcong, XIE Yongcheng, et al. Application of BP neural network improved by genetic immune algorithm in armored vehicle circuit board fault diagnosis [J]. Computer measurement amp; control, 2017, 25(6): 9⁃13.
[14] 钟金童,李国龙,刘达斌,等.基于概率神经网络的蜗杆砂轮磨齿机径向热误差建模[J].计算机集成制造系统,2017,23(3):534⁃541.
ZHONG Jintong, LI Guolong, LIU Dabin, et al. Radial thermal error modeling of CNC worm wheel gear grinding machine based on probabilistic neural network [J]. Computer integrated manufacturing systems, 2017, 23(3): 534⁃541.
[15] 于慧鸣,张志晟,龚文杰.基于深度递归神经网络的电力系统短期负荷预测模型[J].电力系统及其自动化学报,2019,31(1):112⁃116.
YU Huiming, ZHANG Zhisheng, GONG Wenjie. Short⁃term load forecasting model of power system based on deep recurrent neural network [J]. Proceedings of the CSU⁃EPSA, 2019, 31(1): 112⁃116.